Provenir

Platform keputusan risiko real-time yang menyatukan data, model, dan aturan keputusan dalam satu lapisan

Hubungi untuk harga United States

Kesulitan urusan pemberian pinjaman bukan pada "jadi meminjamkan atau tidak", melainkan pada keputusan ini harus rampung dalam beberapa ratus milidetik sembari mempertimbangkan risiko kredit, sinyal penipuan, dan batasan kepatuhan, dan mengubah satu aturan tak boleh sampai merusak seluruh sistem. Provenir adalah platform keputusan yang khusus menyelesaikan soal ini, dengan angka resmi memproses lebih dari 4 miliar keputusan per tahun dan melayani lebih dari 120 klien di lebih dari 60 negara.

Fitur dan Skenario Penggunaan

Inti desain platform adalah menempatkan tiga hal dalam satu lingkungan yang bertata kelola: data (termasuk Data Marketplace miliknya sendiri, yang menyambungkan sumber data identitas, penipuan, dan kredit global), model AI (dilatih dengan data historis klien sendiri, bukan memakai model pasar umum), serta alur keputusan itu sendiri.

Yang cukup menarik adalah "optimization cycle"-nya: perubahan strategi bisa lebih dulu diverifikasi dengan data produksi nyata, dan baru go-live setelah dampaknya dipastikan, alih-alih diubah lalu langsung berdoa. Bagi kepala manajemen risiko ini fitur yang sangat praktis—kebanyakan insiden bukan karena model buruk, melainkan karena seseorang mengubah satu aturan tanpa ada yang menyadari efek berantainya.

Arah terbarunya adalah agentic decisioning, membiarkan agent cerdas menjalankan keputusan dalam pagar pengaman kepatuhan, bukan sekadar mengembalikan sebuah skor. Kliennya melintasi bank, koperasi kredit, fintech, pembayaran, telekomunikasi, kredit kendaraan, dan buy now pay later (BNPL). Angka kasus yang diungkapkan pihak resmi mencakup peningkatan volume pemrosesan tbi Bank hingga 14 kali, peningkatan pemblokiran transaksi berisiko tinggi MTN Group sebesar 135%, dan peningkatan pra-persetujuan sebesar 130%.

Di Indonesia perlu dicermati bahwa sistem inti dan kerangka pengawasan industri keuangan lokal punya kekhasan sendiri, sehingga mengadopsi engine keputusan luar negeri semacam ini biasanya harus menangani lokalisasi penyimpanan data dan regulasi terkait OJK; tempuh dulu jalur kepatuhannya baru bicara fitur.

Fitur Utama

Keputusan real-time untuk kredit, penipuan, kepatuhan, dan manajemen pelanggan
Model AI khusus yang dilatih dengan data historis klien
Data Marketplace menyambungkan sumber data identitas, penipuan, dan kredit global
Perubahan strategi bisa diverifikasi dulu dengan data produksi sebelum go-live
Eksekusi keputusan agentik dalam pagar pengaman kepatuhan
Mencakup seluruh siklus hidup dari pembukaan akun, persetujuan kredit, hingga penagihan

Kelebihan

Data, model, aturan dalam satu lapisan, efek berantai dari perubahan terlihat jelas
Mekanisme verifikasi sebelum go-live bisa mencegah sebagian besar insiden 'ubah satu aturan berujung petaka'
Kasus dan skalanya diungkapkan relatif konkret, bukan sekadar bahasa pemasaran

Kekurangan

Pengadaan kelas enterprise, harga tidak dipublikasikan, siklus implementasi panjang
Adopsi oleh industri keuangan Indonesia perlu menangani lokalisasi penyimpanan data dan kepatuhan pengawasan secara terpisah
Nilainya sangat bergantung pada mutu dan volume data historis sendiri, keunggulan model terbatas saat data kurang

Contoh Penggunaan

Keputusan persetujuan kredit real-time untuk pembiayaan konsumen
Penilaian risiko BNPL dan buy now pay later
Verifikasi gabungan identitas dan penipuan pada tahap pembukaan akun
Segmentasi dan otomatisasi strategi penagihan

Catatan Editor

Saya selalu hati-hati terhadap istilah "persetujuan kredit AI", karena yang benar-benar menentukan sukses-gagal sering kali bukan model, melainkan sumber data dan tata kelola aturan. Provenir menaruh fokus pada dua hal terakhir itu, dan penilaian ini saya setujui. Kalau Indonesia hendak mengadopsinya, saya akan menyarankan bertanya satu hal yang sangat sederhana dulu: sekarang untuk mengubah satu aturan penjaminan kredit, dari usulan hingga go-live butuh berapa hari? Kalau jawabannya tiga bulan, maka beli alat apa pun sama lambatnya.

FAQ

Apa bedanya dengan alat model kredit seperti Zest AI?

Inti [Zest AI](/tools/zest-ai) adalah model kredit itu sendiri, sedangkan Provenir adalah platform keputusan yang menyatukan penyambungan data, eksekusi model, manajemen aturan, dan orkestrasi alur. Kalau Anda hanya kekurangan model, yang pertama lebih fokus; kalau titik sakitnya adalah 'aturan tersebar di lima sistem, tak ada yang berani menyentuh', yang kedua baru tepat sasaran.

Apakah bank di Indonesia bisa memakainya?

Secara teknis bisa, tetapi secara praktis harus lebih dulu menangani dua hal: apakah data pelanggan boleh keluar negeri, dan apakah logika keputusan sesuai ketentuan OJK tentang keputusan otomatis. Sebaiknya mulai menjajaki dari skenario non-inti (misalnya segmentasi daftar pemasaran).